بهینه‌سازی شبکه ANFIS برای شبیه‌سازی دراز مدت بارندگی شهر بابلسر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

در این مطالعه، مقادیر بارندگی دراز مدت شهر بابلسر در یک بازه زمانی 68 ساله از سال 1951 تا 2019 با استفاده از یک مدل هوش مصنوعی ترکیبی بهینه­یافته شبیه­سازی شد. برای توسعه مدل ترکیبی، شبکه انفیس با تبدیل موجک ترکیب شدند. در ابتدا، با استفاده از تابع خودهمبستگی، تاخیرهای موثر داده­های سری زمانی شناسایی شدند. سپس با استفاده از این تاخیرها، شش مدل انفیس تعریف گردید. با اجرای یک تحلیل حساسیت، بهترین مدل انفیس معرفی شد. مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و شاخص پراکندگی (SI) برای وضعیت آزمون مدل برتر انفیس به­ترتیب برابر با 612/0، 029/37 و 761/0 محاسبه شدند. علاوه بر این، تجزیه و تحلیل نتایج مدل­سازی­ها نشان داد که تاخیرهای شماره (t-1)، (t-2)، (t-12) و (t-36) تاثیرگذارترین تاخیرهای داده­های سری زمانی بودند. در انتها، مدل ترکیبی برتر برای سه سطح تجزیه مختلف مورد ارزیابی قرار گرفت که بهترین نتایج برای سطح تجزیه دوم بدست آمد. در حالت آزمون مقادیر R و VAF و SI برای مدل برتر ترکیبی به­ترتیب مساوی با 972/، 455/94 و 226/0 بودند. بنابراین، نتایج شبیه­سازی­ها نشان داد که تبدیل موجک دقت مدل­سازی را به شکل قابل توجهی افزایش داد.

کلیدواژه‌ها

عنوان مقاله [English]

Optimization of ANFIS Network to Simulate Long Term Rainfall in Babolsar City

نویسندگان [English]

  • ali jamalvandi 1
  • behrouz yaghoubi 2
  • mohammad ali izadbakhsh 2
  • saeid shabanlou 2
1 Ph.D. Candidate, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
2 Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
چکیده [English]

In this study, the long-term rainfall in Babolsar city was simulated using an optimized hybrid artificial intelligence (AI) model over a 68 years period during 1951 to 2019. The ANFIS network and the wavelet transform combined to develop the hybrid model. Firstly, the effective lags of time series data were identified by using the autocorrelation function (ACF). Six ANFIS models were defined through these lags, Subsequently. The best ANFIS model was detected by conducting a sensitivity analysis. For testing the best ANFIS model, the value of correlation coefficient (R), variance accounted for (VAF), and scatter index (SI) were respectively computed to be 0.612, 37.029, and 0.761. In Addition, results of the models analysis showed that the (t-1), (t-2), (t-12), and (t-36) were identified as the most significant lags. Finally, the superior hybrid model was examined in three decomposition level (DL), revealing that the best results were obtained from the second decomposition level (DL2). In testing mode of the model, the R, VAF, and SI were calculated to be 0.972, 94.455, and 0.266, respectively. Therefore, the simulation results showed that the wavelet transform enhanced the performance of the ANFIS network significantly.

کلیدواژه‌ها [English]

  • Long-term rainfall
  • Babolsar
  • ANFIS
  • Wavelet transform
  • Optimization

مراجع

Azad, A., Manoochehri, M., Kashi, H., Farzin, S., Karami, H., Nourani, V., & Shiri, J. (2019). Comparative evaluation of intelligent algorithms to improve adaptive neuro-fuzzy inference system performance in precipitation modelling. Journal of Hydrology, 571, 214-224.
Azimi, H., Bonakdari, H., Ebtehaj, I., & Michelson, D. G. (2018). A combined adaptive neuro-fuzzy inference system–firefly algorithm model for predicting the roller length of a hydraulic jump on a rough channel bed. Neural Computing and Applications, 29(6), 249-258.
Babaali, H.R., & Dehghani, R. (2017). Compare intelligent models to Estimate monthly Precipitation Kakareza Basian, Iranian journal of Ecohydrology, 4(1), 1-11. doi: 10.22059/ije.2017.60911.
Ghorbani, M., Azani, A., & Mahmoudi Vanolya, S. (2015). Rainfall-Runoff Modeling Using Hybrid Intelligent Models. Iran Water Resources Research, 11(2), 146-150.
Jang JSR. 1993 ANFIS: adaptive-network-based fuzzy inference system. IEEE Trans. Syst. Manag. Cyber., 23(3): 665-685.
Khalili, N., Khodashenas, S.R., Davari, K., & Mousavi Bayegi, M. (2008). Prediction of daily precipitation using artificial natural networks, case study: synoptic station of Mashhad. Watershed research,89-99.
Maqsood, I., Khan, M.R., & Abraham, A. (2004). An ensemble of neural networks for weather forecasting. Neural Computing & Applications, 13(2), 112-122.
Mehr, A. D., Nourani, V., Khosrowshahi, V. K., & Ghorbani, M. A. (2019). A hybrid support vector regression–firefly model for monthly rainfall forecasting. International Journal of Environmental Science and Technology, 16(1), 335-346.
Mekanik, F., Imteaz, M. A., Gato-Trinidad, S., & Elmahdi, A. (2013). Multiple regression and Artificial Neural Network for long-term rainfall forecasting using large scale climate modes. Journal of Hydrology, 503, 11-21.
Mendel, J. M. (2017). Uncertain rule-based fuzzy systems. In Introduction and new directions (p. 684). Springer International Publishing.
Mislan, H., Hardwinarto, S., & Sumaryono, M. A. (2015). Rainfall monthly prediction based on artificial neural network: a case study in Tenggarong Station, East Kalimantan-Indonesia. Procedia Computer Science, 59, 142-151.
Nasseri, M., Asghari, K., & Abedini, M. J. (2008). Optimized scenario for rainfall forecasting using genetic algorithm coupled with artificial neural network. Expert Systems with Applications, 35(3), 1415-1421.
Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O. (2014). Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology 514: 358–377.
Poursaeid, M., Mastouri, R., Shabanlou, S., & Najarchi, M. (2021). Modelling qualitative and quantitative parameters of groundwater using a new wavelet conjunction heuristic method: wavelet extreme learning machine versus wavelet neural networks. Water and Environment Journal, 35(1), 67-83.
Riad, S., Mania, J., Bouchaou, L., & Najjar, Y. (2004). Rainfall-runoff model usingan artificial neural network approach. Mathematical and Computer Modelling, 40(7-8), 839-846.
Xiang, Y., Gou, L., He, L., Xia, S., & Wang, W. (2018). A SVR–ANN combined model based on ensemble EMD for rainfall prediction. Applied Soft Computing, 73, 874-883.
 
 
تحقیقات آب و خاک ایران
دوره 52، شماره 8
آبان 1400
صفحه 2111-2123

فایل ها

هم رسانی

ارجاع به این مقاله

آمار